본 논문은 링크 예측을 위한 그래프 신경망(GNN) 분야에서 최근 발표된 정교한 학습 기법과 모델 아키텍처들이 기존의 낡은 기준 모델들과 비교되어 그 효과가 과장될 수 있다는 점을 지적합니다. 이를 해결하기 위해 연구진은 그래프 오토인코더(GAE)에 최신 방법에서 사용되는 모델 비의존적 기법들을 적용하고 하이퍼파라미터를 조정하여 체계적으로 GAE를 탐색합니다. 그 결과, 잘 조정된 GAE가 최근의 정교한 모델들과 유사한 성능을 보이면서도 뛰어난 계산 효율성을 제공함을 발견했습니다. 특히 구조적 정보가 지배적이고 특징 데이터가 제한적인 데이터셋에서 상당한 성능 향상을 달성하며, ogbl-ppa 데이터셋에서 Hits@100 점수 78.41%라는 최첨단 결과를 얻었습니다. 또한 다양한 기법들의 영향을 분석하여 성공의 이유를 밝히고 향후 연구 방향을 제시합니다. 이 연구는 링크 예측을 위한 GNN 분야의 발전을 더욱 정확하게 평가하기 위해 기준 모델을 업데이트해야 할 필요성을 강조합니다.
